CN116091066A - 基于加速对偶动态规划的全分散式交易出清方法和装置 - Google Patents

基于加速对偶动态规划的全分散式交易出清方法和装置 Download PDF

Info

Publication number
CN116091066A
CN116091066A CN202310361937.0A CN202310361937A CN116091066A CN 116091066 A CN116091066 A CN 116091066A CN 202310361937 A CN202310361937 A CN 202310361937A CN 116091066 A CN116091066 A CN 116091066A
Authority
CN
China
Prior art keywords
sub
power
sales
producer
dynamic programming
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310361937.0A
Other languages
English (en)
Other versions
CN116091066B (zh
Inventor
刘嘉逊
曾智健
刘文昊
朱文俊
姚星安
李凯欣
姚立明
夏礼琛
吴敬慧
龚学良
杨柳
朱建全
王奖
郑颖楷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Electric Power Transaction Center Co ltd
Original Assignee
Guangdong Electric Power Transaction Center Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Electric Power Transaction Center Co ltd filed Critical Guangdong Electric Power Transaction Center Co ltd
Priority to CN202310361937.0A priority Critical patent/CN116091066B/zh
Publication of CN116091066A publication Critical patent/CN116091066A/zh
Application granted granted Critical
Publication of CN116091066B publication Critical patent/CN116091066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Security & Cryptography (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Liquid Crystal (AREA)

Abstract

本发明提供了一种基于加速对偶动态规划的全分散式交易出清方法和装置，应用于点对点交易中，包括：以产销者总成本最小化为目标函数，根据产销者之间的交易功率、线路的潮流、产销者的最小及最大功率和线路的最大传输容量，构建基础模型；将每个产销者的决策问题视为一个阶段，通过多阶段优化方法将模型分解为一系列串行决策的子问题；通过加速对偶动态规划方法和本德斯割近似值函数对各子问题进行分散求解，获得每个产销者对应的决策，以实现交易出清。本申请在点对点交易中嵌入潮流信息，无需如现有技术般依赖集中化的安全校核，在满足去中心化以及隐私安全需求的同时，可以保证出清结果满足线路潮流约束，有效提高交易出清的安全性。

Description

基于加速对偶动态规划的全分散式交易出清方法和装置
技术领域
本发明涉及P2P交易出清领域，尤其涉及一种基于加速对偶动态规划的全分散式交易出清方法和装置。
背景技术
分布式电源的渗透和需求响应的发展，催生了售电侧的点对点（P2P）交易市场。P2P交易具有去中心化和交易灵活的特点，且其能够满足市场参与者对隐私性的需求。已有的P2P交易出清主要基于拉格朗日乘数法实现，这种技术方案的主要是将原问题分解为一系列子问题，然后对这一系列的子问题进行分散求解。然后已有的P2P交易出清方法无法直接考虑网络约束和潮流信息，只能够由配电系统运营商进行安全校核，这就需要采集到各交易主体的所有信息进行集中计划，因此无法从根本上满足P2P交易去中心化和隐私性需求，导致交易出清过程存在安全风险。
发明内容
本发明提供了一种基于加速对偶动态规划的全分散式交易出清方法和装置，通过在P2P交易中嵌入潮流信息，不依赖集中安全校核便可以保证出清结果满足线路潮流约束，以解决如何提高交易出清过程的安全性的技术问题。
为了解决上述技术问题，本发明实施例提供了一种基于加速对偶动态规划的全分散式交易出清方法，应用于点对点交易中，包括：
以产销者总成本最小化为目标函数，根据产销者之间的交易功率、线路的潮流、产销者的最小及最大功率和线路的最大传输容量，构建基础模型；
将每个产销者的决策问题视为一个阶段，通过多阶段优化方法，将所述基础模型分解为一系列串行决策的子问题；每个子问题分别对应一个产销者；
通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，获得每个产销者对应的决策，以实现交易出清。
作为优选方案，所述基础模型具体为：
；
；
；
；
；
；
其中，为产销者i与产销者j的交易功率，和为产销者i的成本函数系数，且，，为线路 l的潮流，和分别为产销者i的最小功率和最大功率，为线路的最大传输容量，为产销者的集合，为生产者的集合，为消费者的集合，且，为产销者i在点对点市场上交易对象的集合，为配电线路的集合。
作为优选方案，所述一系列串行决策的子问题，具体为：
；
；
；
；
；
；
；
；
其中，为产销者i的交易功率转移到线路 l上的潮流，Ai为的交易功率转移矩阵，表示产销者i与其交易对象j之间进行功率交易引发的线路 l的潮流变化量，L和Ni为集合的势，为交易功率转移矩阵中第 l行第j列的元素，为产销者k与其交易对象j的交易功率，且，为前k个产销者完成功率交易后线路 l的累积使用容量，(.)为产销者i对应子问题的值函数。
作为优选方案，所述通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，具体为：
将所述一系列串行决策的子问题进行抽象处理：
；
；
；
；
；
其中，xi为子问题i的决策变量，为交易产生的成本，为子问题i的状态变量，包括和，、、、和为系数矩阵的一般形式，和为常数向量的一般形式；
根据对偶动态规划方法，使用本德斯割对值函数进行近似：
；
；
其中，和为对偶变量，为待求解对偶问题；
对本德斯割进行迭代更新，求解出各产销者对应的决策。
作为优选方案，所述对本德斯割进行迭代更新，还包括：
通过下式对交易功率进行约束：
；
其中，和分别为产销者i的最大功率和j的最大功率，为松弛系数。
作为优选方案，所述对本德斯割进行迭代更新，求解出各产销者对应的决策，具体为：
将子问题的每一状态变量靠中心区域的一个点定义为核心点；
采用凸组合的方式对所述核心点进行更新：
；
其中，为子问题i中第m次迭代的核心点，为子问题i中第m次迭代的状态变量，u为0到1的系数；
对所述待求解对偶问题进行求解，获得帕累托最优割，从而求解出各产销者对应的决策。
相应的，本发明实施例还提供了一种基于加速对偶动态规划的全分散式交易出清装置，应用于点对点交易中，所述全分散式交易出清装置包括基础模型构建模块、分解模块和求解模块；其中，
所述基础模型构建模块，用于以产销者总成本最小化为目标函数，根据产销者之间的交易功率、线路的潮流、产销者的最小及最大功率和线路的最大传输容量，构建基础模型；
所述分解模块，用于将每个产销者的决策问题视为一个阶段，通过多阶段优化方法，将所述基础模型分解为一系列串行决策的子问题；每个子问题分别对应一个产销者；
所述求解模块，用于通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，获得每个产销者对应的决策，以实现交易出清。
作为优选方案，所述基础模型具体为：
；
；
；
；
；
；
其中，为产销者i与产销者j的交易功率，和为产销者i的成本函数系数，且，，为线路 l的潮流，和分别为产销者i的最小功率和最大功率，为线路的最大传输容量，为产销者的集合，为生产者的集合，为消费者的集合，且，为产销者i在点对点市场上交易对象的集合，为配电线路的集合。
作为优选方案，所述一系列串行决策的子问题，具体为：
；
；
；
；
；
；
；
；
其中，为产销者i的交易功率转移到线路 l上的潮流，Ai为的交易功率转移矩阵，表示产销者i与其交易对象j之间进行功率交易引发的线路 l的潮流变化量，L和Ni为集合的势，为交易功率转移矩阵中第 l行第j列的元素，为产销者k与其交易对象j的交易功率，且，为前k个产销者完成功率交易后线路 l的累积使用容量，(.)为产销者i对应子问题的值函数。
作为优选方案，所述求解模块通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，具体为：
将所述一系列串行决策的子问题进行抽象处理：
；
；
；
；
；
其中，xi为子问题i的决策变量，为交易产生的成本，为子问题i的状态变量，包括和，、、、和为系数矩阵的一般形式，和为常数向量的一般形式；
根据对偶动态规划方法，使用本德斯割对值函数进行近似：
；
；
其中，和为对偶变量，为待求解对偶问题；
对本德斯割进行迭代更新，求解出各产销者对应的决策。
相比于现有技术，本发明实施例具有如下有益效果：
本发明实施例提供了一种基于加速对偶动态规划的全分散式交易出清方法和装置，所述全分散式交易出清方法应用于点对点交易中，包括：以产销者总成本最小化为目标函数，根据产销者之间的交易功率、线路的潮流、产销者的最小及最大功率和线路的最大传输容量，构建基础模型；将每个产销者的决策问题视为一个阶段，通过多阶段优化方法，将所述基础模型分解为一系列串行决策的子问题；每个子问题分别对应一个产销者；通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，获得每个产销者对应的决策，以实现交易出清。本发明实施例在点对点交易中嵌入潮流信息，将每个产销者的决策问题视为一个阶段，通过多阶段优化方法将基础模型分解为一系列串行决策的子问题，并通过加速对偶动态规划方法和本德斯割近似值函数进行求解，无需如现有技术般依赖集中化的安全校核，在满足去中心化以及隐私安全需求的同时，可以保证出清结果满足线路潮流约束，有效提高交易出清过程的安全性。
进一步地，考虑到子问题中由于产销者的功率存在上限和下限，而交易功率未存在类似的限制，这可能会导致某一对交易功率过大，致使初始迭代过程中子问题出现不可行解的情况，因此在子问题中添加不等式约束以限制交易功率，同时在不等式中采用松弛系数，避免添加不等式后造成约束过紧，可以减少无效解的产生，从而提高模型的收敛速度，同时获得更高质量的出清结果。
进一步地，将子问题的每一状态变量靠中心区域的一个点定义为核心点，采用凸组合的方式对所述核心点进行更新，在求解时获得帕累托最优割，随着迭代次数的增加，可以避免割相互冗余的情况（这些冗余割在值函数近似的过程中几乎不起作用），由此可以有效减少模型的迭代次数，进一步加快收敛速度。
附图说明
图1：为本发明基于加速对偶动态规划提供的全分散式交易出清方法的一种实施例的流程示意图。
图2：为本发明提供的迭代求解方法的一种实施例的流程示意图。
图3：为本发明基于加速对偶动态规划提供的全分散式交易出清装置的一种实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一:
请参照图1，图1为本发明实施例提供的一种基于加速对偶动态规划的全分散式交易出清方法，应用于点对点（P2P）交易中，所述全分散式交易出清方法包括步骤S1至步骤S3，其中，
步骤S1，以产销者总成本最小化为目标函数，根据产销者之间的交易功率、线路的潮流、产销者的最小及最大功率和线路的最大传输容量，构建基础模型。
在本实施例中，所述基础模型具体为：
；（1）
；（2）
；（3）
；（4）
；（5）
；（6）
其中，为产销者i与产销者j的交易功率，为产销者j与产销者i的交易功率，和为产销者i的成本函数系数，且，，为线路 l的潮流，和分别为产销者i的最小功率和最大功率，为线路的最大传输容量，为产销者的集合，为生产者的集合，为消费者的集合，且，为产销者i在点对点市场上交易对象的集合，为配电线路的集合。
步骤S2，将每个产销者的决策问题视为一个阶段，通过多阶段优化方法，将所述基础模型分解为一系列串行决策的子问题；每个子问题分别对应一个产销者。
在本实施例中，首先可以定义线路使用容量为产销者 i的交易功率转移到线路 l上的潮流，则有：
；（7）
式中，Ai为的交易功率转移矩阵，表示产销者i与其交易对象j之间进行功率交易引发的线路 l的潮流变化量，、为集合的势，为交易功率转移矩阵中第 l行第j列的元素。
则所述一系列串行决策的子问题可以描述为：
；（8）
；（2）
；（3）
；（4）
；（5）
；（9）
；（10）
其中，为产销者i的交易功率转移到线路 l上的潮流，为产销者k与其交易对象j的交易功率，且，为前k个产销者完成功率交易后线路 l的累积使用容量，(.)为产销者i对应子问题的值函数。
其中，当交易功率的方向与线路 l的正方向一致时，；否则，。值函数(.)可以描述产销者i的交易对后续产销者的交易的影响。在本实施例中，将每个产销者的决策问题视为一个阶段并将前述的基础模型进行分解，有利于将潮流信息嵌入到每个产销者对应的子问题中，从而解决现有的交易出清方法不能分散地考虑潮流信息的问题。
步骤S3，通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，获得每个产销者对应的决策，以实现交易出清。
在本实施例中，考虑到分阶段转移的方式在各个交易功率中嵌入潮流信息，传统的方式难以进行处理。本实施例采用了加速对偶动态规划方法，并且在该方法中采用本德斯割近似值函数，可以通过本德斯割包含的产销者交易信息和嵌入交易模型的潮流信息，实现对基础模型的有效求解。为了便于描述，可以将子问题进行抽象处理：
将所述一系列串行决策的子问题进行抽象处理：
；（11）
；（12）
；（13）
；（14）
；（15）
其中，xi为子问题i的决策变量，为交易产生的成本，对应式（8）的第一项，(.)为产销者i对应的抽象子问题的值函数，为子问题i的状态变量，包括和，、、、、和为系数矩阵的一般形式，和为常数向量的一般形式。其中，式（11）为目标函数，对应于式（8）；式（12）为状态耦合约束，对应于式（3）和（9）；式（13）为决策变量约束，对应于式（2）；式（14）和（15）为状态变量约束，对应于（4）、（5）和（10）。
进一步地，根据对偶动态规划方法，使用本德斯割对值函数进行近似：
；（16）
；（17）
其中，和为对偶变量，为待求解对偶问题；
对本德斯割进行迭代更新，求解出各产销者对应的决策。
由此，具体地迭代步骤可以参照图2和图3，具体包括：
①根据“当交易功率的方向与线路 l的正方向一致时，；否则，”的定义，形成交易功率转移矩阵；
②设置迭代次数 m=1，初始值函数 V(.)=0，收敛容限ɛ为一个足够小的数（即初始化）；
③将i从增大到：对于子问题 i，首先从子问题 i-1中接受状态变量；其次，调用商用求解器求解该子问题 i，得到决策变量和状态变量；最后，将状态变量传递给子问题 i+1；
④将 i从减小到1：对于子问题 i，先从子问题 i+1接受本德斯割；接着，将和代入式(17)，并根据式(16)和(17)更新值函数；最后，将传递给子问题 i-1；
⑤若满足收敛条件，则停止迭代，输出决策；否则，迭代次数+1并重复步骤③至⑤。通过上述步骤，可以获得每个产销者的交易功率。完成点对点交易出清。
作为进一步优选实施方式，考虑到特定场景下的子问题，例如对于子问题i，由于产销者的功率存在上限和下限，如果不对交易功率进行限制，有可能出现初始迭代过程中子问题出现不可行解的情况。因此，可以考虑根据物理意义添加有效的不等式，以限制其在初始迭代过程中决策变量的可行域，从而获得更高质量的解和出清结果。这有利于减小下界和上界的收敛过程。
具体地，通过下式对交易功率进行约束：
；（18）
其中，和分别为产销者i的最大功率和j的最大功率，为松弛系数。并且，松弛系数的设置可以避免添加不等式后造成约束过紧的问题。实施本申请实施例，通过添加上述有效不等式，避免了在初始迭代过程中子问题产生无效解的问题，可以有效提高算法的收敛速度。在本实施方式添加不等式(18)后，子问题 i的抽象表达式依然可以用式(11)-(17)进行描述，其差别在于决策变量约束式(13)同时包含了式(2)和(18)，其他保持不变。
作为进一步优选实施方式，所述对本德斯割进行迭代更新，求解出各产销者对应的决策，具体为：
将子问题的每一状态变量靠中心区域的一个点定义为核心点；
采用凸组合的方式对所述核心点进行更新：
；（19）
其中，为子问题i中第m次迭代的核心点，为子问题i中第m次迭代的状态变量，u为0到1的系数；
对所述待求解对偶问题进行求解，获得帕累托最优割，从而求解出各产销者对应的决策。
在采用了本实施例获取帕累托最优割的方法后，相应的迭代步骤调整为：
①根据“当交易功率的方向与线路 l的正方向一致时，；否则，”的定义，形成交易功率转移矩阵；
②设置迭代次数 m=1，初始值函数 V(.)=0，收敛容限ɛ为一个足够小的数（即初始化），并且设置初始核心点为；
③将i从增大到：对于子问题 i，首先从子问题 i-1中接受状态变量；其次，调用商用求解器求解该子问题 i，得到决策变量和状态变量；最后，将状态变量传递给子问题 i+1；
④根据式（19）更新各子问题的核心点；
⑤将 i从减小到1：对于子问题 i，先从子问题 i+1接受本德斯割；接着，将和代入式(17)，并根据式(16)和(17)更新值函数；最后，将传递给子问题 i-1；
⑥若满足收敛条件，则停止迭代，输出决策；否则，迭代次数+1并重复步骤③至⑤。通过上述步骤，可以获得每个产销者的交易功率。完成点对点交易出清。在算法迭代的过程中，每求解一次子问题的对偶问题便会产生一条本德斯割。随着迭代次数的增加，这些新生成的割不断逼近值函数。根据这些割的冗余情况，可以将这些割分为两类，一类是非冗余的，其在值函数近似处理的过程中起到决定性作用，这类割被称为帕累托最优割；另一类存在相互冗余的情况，其在值函数近似处理的过程中几乎不起作用。当某次迭代产生冗余割，则该次迭代无法继续逼近值函数，此时需要在新的迭代中重新生成非冗余割，这就会导致模型的迭代次数增加。反之，如果能够在每次迭代中都产生帕累托最优割，则可以有效加快算法的收敛速度。本实施例针对该情况，提供了一种帕雷托最优割的生成方法，将子问题的每一状态变量靠近中心区域的一个点定义为核心点，并在迭代过程中，采用凸组合的方式对所述核心点进行更新，可以确保帕累托最优割的生成，减少模型的迭代次数，进一步加快收敛速度。并且，在结合上述有效不等式的情况下，在各子问题依次被求解以及通过值函数进行协调的过程中，可以解决在初次迭代时协调作用难以发挥（由于值函数的初值被设置为0）的问题，以有效提高本德斯割和出清结果的质量，减少迭代的次数。
相应的，参照图3，本发明实施例还提供了一种基于加速对偶动态规划的全分散式交易出清装置，应用于点对点交易中，所述全分散式交易出清装置包括基础模型构建模块101、分解模块102和求解模块103；其中，
所述基础模型构建模块101，用于以产销者总成本最小化为目标函数，根据产销者之间的交易功率、线路的潮流、产销者的最小及最大功率和线路的最大传输容量，构建基础模型；
所述分解模块102，用于将每个产销者的决策问题视为一个阶段，通过多阶段优化方法，将所述基础模型分解为一系列串行决策的子问题；每个子问题分别对应一个产销者；
所述求解模块103，用于通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，获得每个产销者对应的决策，以实现交易出清。
作为一种优选实施方式，所述基础模型具体为：
；
；
；
；
；
；
其中，为产销者i与产销者j的交易功率，和为产销者i的成本函数系数，且，，为线路 l的潮流，和分别为产销者i的最小功率和最大功率，为线路的最大传输容量，为产销者的集合，为生产者的集合，为消费者的集合，且，为产销者i在点对点市场上交易对象的集合，为配电线路的集合。
作为一种优选实施方式，所述一系列串行决策的子问题，具体为：
；
；
；
；
；
；
；
；
其中，为产销者i的交易功率转移到线路 l上的潮流，Ai为的交易功率转移矩阵，表示产销者i与其交易对象j之间进行功率交易引发的线路 l的潮流变化量，L和Ni为集合的势，为交易功率转移矩阵中第 l行第j列的元素，为产销者k与其交易对象j的交易功率，且，为前k个产销者完成功率交易后线路 l的累积使用容量，(.)为产销者i对应子问题的值函数。
作为一种优选实施方式，所述求解模块103通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，具体为：
将所述一系列串行决策的子问题进行抽象处理：
；
；
；
；
；
其中，xi为子问题i的决策变量，为交易产生的成本，为子问题i的状态变量，包括和，、、、和为系数矩阵的一般形式，和为常数向量的一般形式；
根据对偶动态规划方法，使用本德斯割对值函数进行近似：
；
；
其中，和为对偶变量，为待求解对偶问题；
对本德斯割进行迭代更新，求解出各产销者对应的决策。
相比于现有技术，本发明实施例具有如下有益效果：
本发明实施例提供了一种基于加速对偶动态规划的全分散式交易出清方法和装置，所述全分散式交易出清方法应用于点对点交易中，包括：以产销者总成本最小化为目标函数，根据产销者之间的交易功率、线路的潮流、产销者的最小及最大功率和线路的最大传输容量，构建基础模型；将每个产销者的决策问题视为一个阶段，通过多阶段优化方法，将所述基础模型分解为一系列串行决策的子问题；每个子问题分别对应一个产销者；通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，获得每个产销者对应的决策，以实现交易出清。本发明实施例在点对点交易中嵌入潮流信息，将每个产销者的决策问题视为一个阶段，通过多阶段优化方法将基础模型分解为一系列串行决策的子问题，并通过加速对偶动态规划方法和本德斯割近似值函数进行求解，无需如现有技术般依赖集中化的安全校核，在满足去中心化以及隐私安全需求的同时，可以保证出清结果满足线路潮流约束，有效提高交易出清过程的安全性。
进一步地，考虑到子问题中由于产销者的功率存在上限和下限，而交易功率未存在类似的限制，这可能会导致某一对交易功率过大，致使初始迭代过程中子问题出现不可行解的情况，因此在子问题中添加不等式约束以限制交易功率，同时在不等式中采用松弛系数，避免添加不等式后造成约束过紧，可以减少无效解的产生，从而提高模型的收敛速度，同时获得更高质量的出清结果。
进一步地，将子问题的每一状态变量靠中心区域的一个点定义为核心点，采用凸组合的方式对所述核心点进行更新，在求解时获得帕累托最优割，随着迭代次数的增加，可以避免割相互冗余的情况（这些冗余割在值函数近似的过程中几乎不起作用），由此可以有效减少模型的迭代次数，进一步加快收敛速度。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于加速对偶动态规划的全分散式交易出清方法，其特征在于，应用于点对点交易中，包括：
以产销者总成本最小化为目标函数，根据产销者之间的交易功率、线路的潮流、产销者的最小及最大功率和线路的最大传输容量，构建基础模型；
将每个产销者的决策问题视为一个阶段，通过多阶段优化方法，将所述基础模型分解为一系列串行决策的子问题；每个子问题分别对应一个产销者；
通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，获得每个产销者对应的决策，以实现交易出清。
2.如权利要求1所述的一种基于加速对偶动态规划的全分散式交易出清方法，其特征在于，所述基础模型具体为：
；
；
；
；
；
；
其中，为产销者i与产销者j的交易功率，和为产销者i的成本函数系数，且，，为线路l的潮流，和分别为产销者i的最小功率和最大功率，为线路的最大传输容量，为产销者的集合，为生产者的集合，为消费者的集合，且，为产销者i在点对点市场上交易对象的集合，为配电线路的集合。
3.如权利要求2所述的一种基于加速对偶动态规划的全分散式交易出清方法，其特征在于，所述一系列串行决策的子问题，具体为：
；
；
；
；
；
；
；
；
其中，为产销者i的交易功率转移到线路l上的潮流，Ai为的交易功率转移矩阵，表示产销者i与其交易对象j之间进行功率交易引发的线路l的潮流变化量，L和Ni为集合的势，为交易功率转移矩阵中第l行第j列的元素，为产销者k与其交易对象j的交易功率，且，为前k个产销者完成功率交易后线路l的累积使用容量，(.)为产销者i对应子问题的值函数。
4.如权利要求3所述的一种基于加速对偶动态规划的全分散式交易出清方法，其特征在于，所述通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，具体为：
将所述一系列串行决策的子问题进行抽象处理：
；
；
；
；
；
其中，xi为子问题i的决策变量，为交易产生的成本，为子问题i的状态变量，包括和，、、、和为系数矩阵的一般形式，和为常数向量的一般形式；
根据对偶动态规划方法，使用本德斯割对值函数进行近似：
；
；
其中，和为对偶变量，为待求解对偶问题；
对本德斯割进行迭代更新，求解出各产销者对应的决策。
5.如权利要求4所述的一种基于加速对偶动态规划的全分散式交易出清方法，其特征在于，所述对本德斯割进行迭代更新，还包括：
通过下式对交易功率进行约束：
；
其中，和分别为产销者i的最大功率和j的最大功率，为松弛系数。
6.如权利要求5所述的一种基于加速对偶动态规划的全分散式交易出清方法，其特征在于，所述对本德斯割进行迭代更新，求解出各产销者对应的决策，具体为：
将子问题的每一状态变量靠中心区域的一个点定义为核心点；
采用凸组合的方式对所述核心点进行更新：
；
其中，为子问题i中第m次迭代的核心点，为子问题i中第m次迭代的状态变量，u为0到1的系数；
对所述待求解对偶问题进行求解，获得帕累托最优割，从而求解出各产销者对应的决策。
7.一种基于加速对偶动态规划的全分散式交易出清装置，其特征在于，应用于点对点交易中，所述全分散式交易出清装置包括基础模型构建模块、分解模块和求解模块；其中，
所述基础模型构建模块，用于以产销者总成本最小化为目标函数，根据产销者之间的交易功率、线路的潮流、产销者的最小及最大功率和线路的最大传输容量，构建基础模型；
所述分解模块，用于将每个产销者的决策问题视为一个阶段，通过多阶段优化方法，将所述基础模型分解为一系列串行决策的子问题；每个子问题分别对应一个产销者；
所述求解模块，用于通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，获得每个产销者对应的决策，以实现交易出清。
8.如权利要求7所述的一种基于加速对偶动态规划的全分散式交易出清装置，其特征在于，所述基础模型具体为：
；
；
；
；
；
；
其中，为产销者i与产销者j的交易功率，和为产销者i的成本函数系数，且，，为线路l的潮流，和分别为产销者i的最小功率和最大功率，为线路的最大传输容量，为产销者的集合，为生产者的集合，为消费者的集合，且，为产销者i在点对点市场上交易对象的集合，为配电线路的集合。
9.如权利要求8所述的一种基于加速对偶动态规划的全分散式交易出清装置，其特征在于，所述一系列串行决策的子问题，具体为：
；
；
；
；
；
；
；
；
其中，为产销者i的交易功率转移到线路l上的潮流，Ai为的交易功率转移矩阵，表示产销者i与其交易对象j之间进行功率交易引发的线路l的潮流变化量，L和Ni为集合的势，为交易功率转移矩阵中第l行第j列的元素，为产销者k与其交易对象j的交易功率，且，为前k个产销者完成功率交易后线路l的累积使用容量，(.)为产销者i对应子问题的值函数。
10.如权利要求9所述的一种基于加速对偶动态规划的全分散式交易出清装置，其特征在于，所述求解模块通过加速对偶动态规划方法和本德斯割近似值函数对所述一系列串行决策的子问题进行分散求解，具体为：
将所述一系列串行决策的子问题进行抽象处理：
；
；
；
；
；
其中，xi为子问题i的决策变量，为交易产生的成本，为子问题i的状态变量，包括和，、、、和为系数矩阵的一般形式，和为常数向量的一般形式；
根据对偶动态规划方法，使用本德斯割对值函数进行近似：
；
；
其中，和为对偶变量，为待求解对偶问题；
对本德斯割进行迭代更新，求解出各产销者对应的决策。
CN202310361937.0A 2023-04-07 2023-04-07 基于加速对偶动态规划的全分散式交易出清方法和装置 Active CN116091066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310361937.0A CN116091066B (zh) 2023-04-07 2023-04-07 基于加速对偶动态规划的全分散式交易出清方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310361937.0A CN116091066B (zh) 2023-04-07 2023-04-07 基于加速对偶动态规划的全分散式交易出清方法和装置

Publications (2)

Publication Number Publication Date
CN116091066A true CN116091066A (zh) 2023-05-09
CN116091066B CN116091066B (zh) 2023-07-21

Family

ID=86187189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310361937.0A Active CN116091066B (zh) 2023-04-07 2023-04-07 基于加速对偶动态规划的全分散式交易出清方法和装置

Country Status (1)

Country Link
CN (1) CN116091066B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291978A (zh) * 2020-01-20 2020-06-16 云南电网有限责任公司 一种基于Benders分解的两阶段储能方法及系统
CN112884381A (zh) * 2021-04-13 2021-06-01 东南大学 一种考虑供需不确定性的p2p用能市场规划方法
CN113869790A (zh) * 2021-10-20 2021-12-31 国网江苏省电力有限公司扬州供电分公司 基于分散式p2p协商机制与学习方案的能源超市交易优化方法
CN115907140A (zh) * 2022-11-18 2023-04-04 中国南方电网有限责任公司 电力现货出清方案优化方法、装置、计算机设备和介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291978A (zh) * 2020-01-20 2020-06-16 云南电网有限责任公司 一种基于Benders分解的两阶段储能方法及系统
CN112884381A (zh) * 2021-04-13 2021-06-01 东南大学 一种考虑供需不确定性的p2p用能市场规划方法
CN113869790A (zh) * 2021-10-20 2021-12-31 国网江苏省电力有限公司扬州供电分公司 基于分散式p2p协商机制与学习方案的能源超市交易优化方法
CN115907140A (zh) * 2022-11-18 2023-04-04 中国南方电网有限责任公司 电力现货出清方案优化方法、装置、计算机设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHU JIANQUAN 等: "Fully-Decentralized Optimal Power Flow of Multi-Area Power Systems Based on Parallel Dual Dynamic Programming", IEEE TRANSACTIONS ON POWER SYSTEMS, vol. 37, no. 2, pages 927 - 940 *

Also Published As

Publication number Publication date
CN116091066B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN110825349B (zh) 随机数生成方法、区块链节点、系统及介质
Hsu A hybrid procedure with feature selection for resolving stock/futures price forecasting problems
Tun et al. Federated learning based energy demand prediction with clustered aggregation
Zaman et al. Co-evolutionary approach for strategic bidding in competitive electricity markets
CN108536536A (zh) 一种基于量子遗传算法的云制造环境下资源整合与优化系统及方法
CN112001500B (zh) 基于纵向联邦学习系统的模型训练方法、设备及存储介质
CN106155791A (zh) 一种分布式环境下的工作流任务调度方法
CN105094970B (zh) 一种求解分布式系统下可分任务多趟调度模型的方法
CN112035879B (zh) 一种提高小区自动物流保密性的信息处理方法及系统
US10675537B1 (en) Determining action selection policies of an execution device
Soodi et al. STATCOM estimation using back-propagation, PSO, shuffled frog leap algorithm, and genetic algorithm based neural networks
Hu et al. Short-term hydropower generation scheduling using an improved cloud adaptive quantum-inspired binary social spider optimization algorithm
CN106650988A (zh) 一种高压配电网规划项目模糊组合优化方法
Green II et al. Intelligent state space pruning for Monte Carlo simulation with applications in composite power system reliability
CN115912330A (zh) 一种有源配电网拓扑演化模型的两阶段机会约束优化方法和系统
Dong et al. Multi-learning rate optimization spiking neural P systems for solving the discrete optimization problems
CN116091066B (zh) 基于加速对偶动态规划的全分散式交易出清方法和装置
Chiu et al. Multiobjective demand response for internet data centers
Wei et al. Multiobjective optimization algorithm with dynamic operator selection for feature selection in high-dimensional classification
Han et al. Learning-based topology optimization of power networks
Habibnejad-Ledari et al. Solving a multi-objective model toward home care staff planning considering cross-training and staff preferences by NSGA-II and NRGA
Dorronsoro et al. Evolutionary algorithms based on game theory and cellular automata with coalitions
Tsai et al. A modified multiple-searching method to genetic algorithms for solving traveling salesman problem
CN113869790A (zh) 基于分散式p2p协商机制与学习方案的能源超市交易优化方法
Zhao et al. Model and algorithm for the first-level maintenance operation optimization of EMU trains

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant